ABSTRAL：通过迭代精炼与拓扑优化实现多智能体系统自动设计

多智能体系统应当如何设计？这些设计知识能否以可检视、可修订且可迁移的形式被捕获？我们提出 ABSTRAL，一个把 MAS 架构视为持续演化的自然语言文档的框架——该文档是通过对比式轨迹分析来精炼的产物。研究得出三点发现。首先，我们对多智能体协调税给出精确测量：在固定轮次预算下，多智能体集成仅达到 26% 的轮次效率，66% 的任务耗尽限额，但通过发现可并行的任务分解，仍能优于单智能体基线。其次，编码于文档中的设计知识可以迁移：在一个领域学到的拓扑推理与角色模板能为新领域提供先发优势，迁移的种子在单次迭代内即达到冷启动第 3 次迭代的性能。第三，对比式轨迹分析能发现任何初始设计中都不存在的专家角色，这是此前系统未曾展示的能力。在 SOPBench（134 个银行任务，确定性 oracle）上，以 GPT-4o 为骨干的 ABSTRAL 达到 70% 验证集 / 65.96% 测试集通过率。我们发布了收敛后的文档作为可检视的设计依据。